Uncovering Physical Drivers of Dark Matter Halo Structures with Auxiliary-Variable-Guided Generative Models
Mathematics and Computer Science Division Argonne National Laboratory（阿贡国家实验室数学与计算机科学部）；High Energy Physics Division Argonne National Laboratory（阿贡国家实验室高能物理部）；Computational Science Division Argonne National Laboratory（阿贡国家实验室计算科学部）；Computational Science Center Data, Analysis and Visualization Group National Renewable Energy Laboratory（国家可再生能源实验室计算科学中心数据、分析与可视化组）
本文提出通过辅助变量引导生成模型解缠暗物质晕结构的潜在空间，揭示其物理驱动因素并提升天文数据的可解释性。
2026-02-26 cs.LG stat.ML
GAUDA: Generative Adaptive Uncertainty-guided Diffusion-based Augmentation for Surgical Segmentation
Technical University Darmstadt（德累斯顿技术大学）；University Medical Center Mainz（马因茨大学医学中心）；University of Girona（加泰罗尼亚大学）
针对手术数据积累的伦理与监管限制及配对数据合成探索不足的问题，提出GAUDA方法，利用贝叶斯下游模型的认知不确定性进行在线自适应引导生成，有效提升了手术分割的IoU。
2025-01-18 cs.CV cs.LG
Score-Guided Generative Adversarial Networks
College of Engineering（工程学院）；Korea University（高丽大学）；School of Electrical Engineering（电气工程学院）
我们提出了一种生成对抗网络（GAN），它使用预先训练的网络引入了评估器模块。所提出的模型，称为分数引导的GAN（ScoreGAN），是用GANs的评估度量来训练的，即，Inception评分，作为训练生成器的粗略指南。通过使用另一个预先训练的网络而不是Inception网络，ScoreGAN规避了Inception网络的过拟合，以便生成的样本不对应于Inception网络的对抗性示例。此外，为了防止过拟合，评价指标仅作为辅助作用，而主要使用GANs的常规目标。使用CIFAR-10数据集进行评估，ScoreGAN的Inception评分为10.36 $\pm$ 0.15，这相当于最先进的性能。此外，为了概括ScoreGAN的有效性，使用另一个数据集进一步评估了该模型，即，CIFAR-100;因此，ScoreGAN优于其他现有方法，其中Fréchet Inception Distance（FID）为13.98。
2020-05-27 cs.CV cs.LG eess.IV
Novel Knowledge-Guided Generative Methods for Synthetic Transcriptomic Data
Politecnico di Milano（米兰理工大学）
该研究针对转录组数据的获取限制，提出并基准测试三种生成对抗网络变体，其中MK-TGAN模型结合图神经网络整合先验知识，生成的合成转录组数据真实性与实用性更优。
2026-08-14 cs.AI cs.LG
Kernel-Guided Training of Implicit Generative Models with Stability Guarantees
现代隐式生成模型，如生成对抗网络（GANs），通常存在不稳定、不可解释性和难以评估其性能等问题。如果我们将这些隐式模型视为动力系统，那么其中一些问题是由于在训练过程中无法以有意义的方式控制其行为而引起的。在这项工作中，我们提出了一种理论上有基础的方法来指导GANs的训练轨迹，方法是用基于内核的正则化项来增强GAN损失函数，该正则化项控制模型与真实分布之间的局部和全局差异。这个控制信号允许我们将先验知识注入模型。我们提供的动力系统的稳定性的理论保证，并通过广泛的实验证明它的不同方面。
2019-11-03 cs.LG math.DS stat.ML
AttentionGAN: Unpaired Image-to-Image Translation using Attention-Guided Generative Adversarial Networks
ETH Zurich（苏黎世联邦理工学院）；Shenzhen Graduate School, Peking University（北京大学深圳研究生院）；Hong Kong University of Sciences and Technology (HKUST)（香港科技大学）；University of Oxford（牛津大学）；University of Trento（特伦托大学）
图像到图像转换中的现有技术方法能够利用未配对的图像数据学习从源域到目标域的映射。虽然现有的方法已经取得了可喜的成果，他们仍然产生视觉伪影，能够翻译低层次的信息，但不能输入图像的高层语义。一个可能的原因是生成器没有能力感知源域和目标域之间最有区别的部分，从而使得生成的图像质量低。在本文中，我们提出了一个新的注意引导生成对抗网络（AttentionGAN）的不成对的图像到图像的翻译任务。AttentionGAN可以识别最具区分力的前景对象，并最大限度地减少背景的变化。AttentionGAN中的注意力引导生成器能够生成注意力掩码，然后将生成输出与注意力掩码融合，以获得高质量的目标图像。相应地，我们还设计了一种新的注意力引导算法，它只考虑关注区域。在8个公共数据集上进行了大量的实验，结果表明，与现有的竞争模型相比，该方法可以有效地生成更清晰，更逼真的图像。该代码可在https://github.com/Ha0Tang/AttentionGAN上获得。
2021-08-16 cs.CV cs.LG eess.IV
Generative Learning of the Solution of Parametric Partial Differential Equations Using Guided Diffusion Models and Virtual Observations
School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
本文提出一种生成学习框架，通过梯度引导和虚拟观测建模高维参数系统，通过两个案例研究展示其在无结构网格和有结构网格上的有效性，减少计算成本，提高流体动力学预测效率。
2024-07-31 cs.LG physics.comp-ph physics.flu-dyn
Enhancing Generative Molecular Design via Uncertainty-guided Fine-tuning of Variational Autoencoders
Texas A&M University（德克萨斯农工大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）
本文提出了一种基于主动学习的模型不确定性引导微调方法，通过在变分自编码器参数的低维活跃子空间中量化不确定性并结合黑盒优化，有效提升了生成式分子设计在下游属性优化任务中的表现。
2024-05-31 cs.LG q-bio.BM q-bio.QM
Lightweight Generative Adversarial Networks for Text-Guided Image Manipulation
University of Oxford（牛津大学）；University of Hong Kong（香港大学）
我们提出了一种新的轻量级生成对抗网络，使用自然语言描述进行有效的图像操作。为了实现这一点，提出了一种新的词级训练器，它为生成器提供了词级的细粒度训练反馈，以便于训练具有少量参数的轻量级生成器，但仍然可以正确地关注图像的特定视觉属性，然后编辑它们而不会影响文本中未描述的其他内容。此外，由于与每个单词相关的显式训练信号，还可以简化训练器以具有轻量结构。与现有技术相比，我们的方法具有更少的参数，但仍然达到了有竞争力的操作性能。大量的实验结果表明，该方法能够更好地将不同的视觉属性分解，并正确地映射到相应的语义词，从而实现更精确的图像修改，并使用自然语言描述。
2020-10-23 cs.CL cs.CV cs.LG
Guided Flows for Generative Modeling and Decision Making
FAIR, Meta（Meta 基础人工智能研究院）；Weizmann Institute of Science（魏茨曼科学研究所）；UCLA（加州大学洛杉矶分校）
本文将无分类器引导引入 Flow Matching 模型形成 Guided Flows，在图像生成、零样本文本转语音及离线强化学习计划生成中实现最先进或可比性能，并较扩散模型获得10倍计算加速。
2023-12-07 cs.AI cs.CV cs.LG
Cycle In Cycle Generative Adversarial Networks for Keypoint-Guided Image Generation
University of Trento（特伦托大学）；University of Oxford（牛津大学）；Texas State University（得克萨斯州立大学）；EPFL（洛桑联邦理工学院）
在这项工作中，我们提出了一种新的循环中循环生成对抗网络（C $^2$ GAN）的关键点引导图像生成的任务。建议的C $^2$ GAN是一个跨模态的框架，探索联合开发的关键点和图像数据的交互方式。C $^2$ GAN包含两种不同类型的生成器，即，面向关键点生成器和面向图像生成器。它们都以端到端的可学习方式相互连接，并明确形成三个循环子网络，即，一个图像生成周期和两个关键点生成周期。每一个循环不仅旨在重建输入域，而且还产生有用的输出，涉及到另一个循环的生成。通过这样做，周期相互隐含地约束，这提供了来自两种不同模态的互补信息，并带来了跨周期的额外监督，从而促进了整个网络的更鲁棒的优化。在两个公开数据集上的广泛实验结果，即，Radboud Faces和Market-1501，表明我们的方法是有效的，以产生更逼真的图像相比，国家的最先进的模型。
2020-04-16 cs.CV cs.LG eess.IV
FoleyGAN: Visually Guided Generative Adversarial Network-Based Synchronous Sound Generation in Silent Videos
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
基于深度学习的视觉到声音生成系统本质上需要开发，特别是考虑到视觉和音频特征随时间的同步性方面。在这项研究中，我们引入了一个新的任务，指导类条件生成对抗网络的时间视觉信息的视频输入的视觉到声音生成任务适应视听模态之间的同步性特征。我们提出的FoleyGAN模型能够调节视觉事件的动作序列，从而产生视觉上对齐的逼真音轨。我们扩展了我们之前提出的自动Foley数据集，以使用FoleyGAN进行训练，并通过人类调查评估我们的合成声音，该调查显示出值得注意的（平均81%）视听同步性能。与其他基线模型和视听数据集相比，我们的方法在统计实验中也表现出色。
2021-07-20 cs.AI cs.CV cs.LG
Deep Learning of Dynamic Subsurface Flow via Theory-guided Generative Adversarial Network
Peking University（北京大学）；Southern University of Science and Technology（南方科技大学）；Peng Cheng Laboratory（鹏城实验室）
生成式对抗网络（GAN）由于其强大的学习复杂数据分布的能力，在图像识别、文本处理和科学计算等领域有着广泛的应用。在这项研究中，提出了一种理论指导的生成对抗网络（TgGAN）来求解动态偏微分方程（PDE）。与标准GANs不同，训练项不再是真实数据和生成的数据，而是它们的残差。此外，控制方程、其他物理约束和工程控制等理论被编码到生成器的损失函数中，以确保预测不仅遵守训练数据，而且遵守这些理论。TgGAN被提出用于具有非均匀模型参数的动态地下流，并且每个时间步的数据被处理为二维图像。在这项研究中，几个数值的情况下，介绍了测试的TgGAN的性能。TgGAN模型可以很容易地实现对未来响应的预测、无标签学习和噪声数据学习。文中还讨论了训练数据的个数和配点的影响。为了提高TgGAN的效率，还采用了迁移学习算法。数值结果表明，TgGAN模型对于动态偏微分方程的深度学习是鲁棒和可靠的。
2020-06-02 cs.LG eess.IV physics.geo-ph
A Logic-based Approach to Generatively Defined Discriminative Modeling
Tokyo Institute of Technology（东京工业大学）；Meijo University（名城大学）
条件随机场（CRF）通常是指定的图形模型，但在本文中，我们提出使用概率逻辑程序，并指定他们产生。我们的意图是，首先提供一个统一的方法，CRF复杂的建模，通过使用图灵完备语言和第二，提供一个方便的方式来实现生成判别对机器学习比较生成和判别模型，并选择最好的模型。我们实现了我们的方法作为D-PRISM语言修改PRISM，一个基于逻辑的概率建模语言生成建模，同时利用其动态规划机制，有效的概率计算。我们用逻辑回归、线性链CRF和CRF-CFG测试了D-PRISM，并在经验上证实了它们与生成对应物（即，朴素贝叶斯，HMM和PCFG。我们还介绍了新的CRF模型，CRF-BNC和CRF-LCG。它们分别是贝叶斯网络分类器和概率左角文法的CRF版本，并且易于在D-PRISM中实现。我们的经验表明，他们的表现优于他们的生成同行的预期。
2014-10-15 cs.LG
Reward-guided Fine-Tuning of One-Step Generative Models via Wasserstein Gradient Flow
Sungkyunkwan University（成均馆大学）；Korea Institute for Advanced Study（韩国高等研究院）
针对单步生成模型奖励引导微调未被充分探索的问题，本文从最优传输视角研究Wasserstein梯度流，提出无需奖励梯度的新型奖励引导微调方法，在多数据集多奖励任务上实现了更优奖励对齐效果。
2026-09-01 cs.LG
K-TRAIL: Simulator-Guided Generative Design of EM/RF Circuits
Oregon State University（俄勒冈州立大学）；Yale University（耶鲁大学）
针对射频/电磁电路逆向设计难、仿真昂贵的问题，提出K-TRAIL模拟器引导生成框架，结合扩散模型与集成卡尔曼引导，无需梯度即可优化布局，实验证明能改善目标响应一致性并发现多样可行设计。
2026-09-22 cs.LG
Guided by Stars: Interpretable Concept Learning Over Time Series via Temporal Logic Semantics
Università degli Studi di Trieste（特里埃斯特大学）
本文提出神经符号框架STELLE，通过将时间序列嵌入时序逻辑概念空间，在分类的同时提供局部与全局可解释性，并在多个基准上验证了其准确性与解释的忠实性。
2025-11-06 cs.LG
Planning with Language and Generative Models: Toward General Reward-Guided Wireless Network Design
University of Sheffield（谢菲尔德大学）；University College London（伦敦大学学院）
本文提出基于统一奖励函数的扩散生成模型，用于高效解决室内无线网络接入点部署问题，通过大规模数据训练提升泛化能力与鲁棒性。
2026-01-30 cs.LG
LogicDiff: Logic-Guided Denoising Improves Zero-Shot Reasoning in Masked Diffusion Language Models
Independent Researcher（独立研究者）
LogicDiff通过逻辑角色引导去噪策略提升掩码扩散语言模型的零样本推理能力，显著提高GSM8K和MATH-500任务的准确率，但较少样本提示下效果受限。
2026-04-18 cs.CL cs.LG
Temporal Logic Guided Safe Reinforcement Learning Using Control Barrier Functions
使用强化学习来学习控制策略是一个挑战，当任务是复杂的，具有潜在的长期视野。确保充分但安全的勘探对于控制物理系统也至关重要。在本文中，我们使用时序逻辑，以促进规范和学习的复杂任务。我们结合时序逻辑与控制李雅普诺夫函数，以提高勘探。我们整合了控制屏障功能，以保护探索和部署过程。我们开发了一个灵活的和可学习的系统，允许用户指定任务的目标和限制，在不同的形式和不同的水平。该框架还能够利用已知的系统动态和处理未知的环境动态集成无模型学习与基于模型的规划。
2019-03-23 cs.LG stat.ML
Physic-HM: Restoring Physical Generative Logic in Multimodal Anomaly Detection via Hierarchical Modulation
Chongqing University（重庆大学）
Physic-HM通过引入物理归纳偏置，解决多模态异常检测中过程逻辑缺失的问题，实现高维与低维数据的协同建模，提升异常检测性能。
2026-01-20 cs.LG
Neural Guided Constraint Logic Programming for Program Synthesis
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Uber ATG（优步先进技术集团）
使用示例输入/输出来综合程序是人工智能中的经典问题。我们提出了一种方法来解决编程的例子（PBE）的问题，通过使用神经模型来指导搜索的约束逻辑编程系统称为miniKanren。至关重要的是，神经模型使用miniKanren的内部表示作为输入; miniKanren将PBE问题表示为由所提供的示例施加的递归约束。我们探讨了递归神经网络和图神经网络模型。我们提供了一个修改后的miniKanren，可由外部代理驱动，可在https://github.com/xuexue/neuralkanren上获得。我们表明，我们的神经引导的方法，使用约束可以合成程序更快地在许多情况下，重要的是，可以推广到更大的问题。
2018-10-26 cs.LG stat.ML
Physics guided deep learning generative models for crystal materials discovery
University of South Carolina（南卡罗来纳大学）
基于深度学习的生成模型，如deepfake，已经能够生成令人惊叹的图像和视频。然而，这些模型在应用于生成晶体材料结构时可能需要显著的变换，其中构建块、物理原子与像素非常不同。自然转移的生成模型倾向于生成大部分物理上不可行的晶体结构，这些晶体结构不稳定或不可合成。在本文中，我们表明，通过利用和添加面向物理的数据增强，损失函数项和后处理，我们基于深度对抗网络（GAN）的生成模型现在可以生成具有更高物理可行性的晶体结构，并扩展我们以前只能创建立方结构的模型。
2021-12-07 cond-mat.mtrl-sci cs.LG
Improving the Evaluation of Generative Models with Fuzzy Logic
Hasso Plattner Institute（哈索·普拉特纳研究所）
客观和可解释的指标来评估当前的人工智能系统是非常重要的，不仅要分析这些系统的当前状态，而且要客观地衡量未来的进展。在这项工作中，我们专注于图像生成任务的评价。我们提出了一种新的方法，称为模糊拓扑影响（FTI），确定的质量和多样性的图像集使用拓扑表示结合模糊逻辑。与现有的评估方法相比，FTI在评估对噪声、模式丢弃和模式发明的灵敏度的多个实验中表现出更好和更稳定的性能。
2020-02-03 cs.CV cs.LG
Evolution Guided Generative Flow Networks
National University of Singapore（新加坡国立大学）；The Hong Kong University of Science and Technology（香港科学与技术大学）
针对生成流网络在长时域、稀疏奖励场景下训练困难的问题，提出结合进化算法的EGFN方法，通过进化训练智能体参数、优先回放轨迹来增强训练，在多类任务上验证了有效性并开源代码。
2025-06-13 cs.AI cs.LG
Abstract Reasoning via Logic-guided Generation
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
抽象推理，即，从给定的观察中推断复杂的模式，是人工智能的核心组成部分。虽然人类通过消除错误的候选人或首先构建答案来找到答案，但基于深度神经网络（DNN）的方法专注于前一种判别方法。本文旨在为后一种方法设计一个框架，并弥合人工智能和人类智能之间的差距。为此，我们提出了逻辑引导生成（Logic-guided generation，LoGe），这是一种新的生成式DNN框架，可以将抽象推理减少为命题逻辑中的优化问题。LoGe由三个步骤组成：从图像中提取命题变量，用逻辑层推理答案变量，并从变量重构答案图像。我们证明，在RAVEN基准测试下，LoGe优于黑盒DNN框架的生成抽象推理，即，基于从观察捕获各种属性的正确规则来重构答案。
2021-08-11 cs.AI cs.CV cs.LG
Do Explanations Increase the Risk of Decision Logic Leakage? Explanation-Guided Stealing of Graph Models
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Xiamen University（厦门大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
研究解释机制可能泄露图神经网络决策逻辑的风险，提出一种结合解释对齐与数据增强的模型窃取框架，实验证明其优于传统方法。
2026-06-02 cs.AI cs.LG
Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
New York University（纽约大学）；University of Calgary（卡尔加里大学）；Qualcomm Technologies, Inc.（高通技术公司）
次优综合变换序列的生成是逻辑综合中的一个重要问题。手工制作的合成配方质量很差。现有技术水平的机器学习（ML）用于生成合成配方，但不会扩展到大型网表，因为模型需要从头开始训练，为此使用耗时的合成运行来收集训练数据。我们提出了一种新的方法，靶心，微调过去的合成数据的预训练模型，以准确地预测一个看不见的网表的合成配方的质量。这种方法比最先进的机器学习方法实现了2 - 10倍的运行时间改进和更好的结果质量（QoR）。
2022-04-05 cs.AI cs.AR cs.LG
Interpretable and Explainable Logical Policies via Neurally Guided Symbolic Abstraction
Technical University of Darmstadt（达姆施塔特工业大学）；National Research Center for Applied Cybersecurity（国家应用网络安全研究中心）；Eindhoven University of Technology（埃因霍温理工大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）
本文提出NUDGE框架，通过神经引导的可微逻辑规则搜索，构建兼具可解释性与可说明性的策略，其性能优于纯神经网络且适应不同环境规模。
2023-10-25 cs.AI cs.CL cs.LG
Generative modeling of protein ensembles guided by crystallographic electron densities
Technion（以色列理工学院）；Migal – Galilee Research Institute（米加尔加利利研究所）；IST Austria（奥地利科学技术研究所）
针对将蛋白质结构系综拟合至X射线晶体学电子密度的挑战，提出一种非独立同分布系综引导方法，利用现有蛋白质结构生成模型，准确恢复了单晶测量中的复杂多模态蛋白质骨架构象。
2024-12-17 cs.AI cs.LG q-bio.QM
Physics Guided Deep Learning for Generative Design of Crystal Materials with Symmetry Constraints
University of South Carolina（南卡罗来纳大学）；University of Colombo（科伦坡大学）
发现新材料是材料科学的一项具有挑战性的任务，对人类社会的进步至关重要。传统的基于实验和模拟的方法是劳动密集型的或昂贵的，成功很大程度上取决于专家的启发式知识。在这里，我们提出了一个基于深度学习的物理引导晶体生成模型（PGCGM），用于具有高度结构多样性和对称性的高效晶体材料设计。与最新的结构生成器之一FTCP相比，我们的模型将生成有效性提高了700%以上，与我们以前的CubicGAN模型相比，提高了45%以上。密度泛函理论（DFT）计算用于验证生成的结构，其中2，000种材料中的1，869种材料被成功优化并存入Carolina材料数据库\url{www.carolinamatdb.org}，其中39.6%具有负形成能，5.3%具有低于0.25 eV/atom的壳上能量，表明它们的热力学稳定性和潜在的可合成性。
2022-12-13 cond-mat.mtrl-sci cs.LG
Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks
University of California, Santa Barbara（加州大学圣巴巴拉分校）；UC, Davis Health（加州大学戴维斯分校医疗中心）
多器官功能衰竭（MOF）是重症监护病房（ICU）患者中的一种严重综合征，死亡率高。早期和精确的检测对于临床医生及时做出决定至关重要。将机器学习模型应用于电子健康记录（EHR）的一个重要挑战是缺失值的普遍存在。大多数现有的插补方法都涉及数据预处理阶段，无法捕捉数据和下游预测结果之间的关系。在本文中，我们提出了用于MOF预测的分类器引导的生成对抗性填补网络Classifier-GAIN，通过结合观察数据和标签信息来弥合这一差距。具体而言，分类器从生成器（输入器）获取输入值以预测任务结果，并通过联合训练向生成器提供额外的监督信号。分类器引导生成器在训练过程中使用标签意识来填补缺失值，从而提高分类器在推理过程中的性能。我们进行了大量的实验，表明我们的方法在一系列缺失数据场景和评估指标中始终优于经典和最先进的神经基线。
2021-06-22 cs.AI cs.LG
Logic-Guided Multistage Inference for Explainable Multidefendant Judgment Prediction
Data Science Institute, Shandong University（山东大学数据科学研究院）
本文提出一种基于逻辑引导的多阶段推理框架，用于提升多被告案件中罪责区分的准确性与可解释性。
2026-01-19 cs.AI cs.LG
Signal Temporal Logic-Guided Apprenticeship Learning
University of Southern California（南加州大学）
针对含时序依赖子目标的任务中学徒学习受演示质量限制的问题，提出将信号时序逻辑规范编码为图并定义时态度量以优化奖励与策略推断的方法，可大幅减少学习控制策略所需的演示数量。
2023-11-09 cs.AI cs.LG cs.RO
Reinforcement-guided generative protein language models enable de novo design of highly diverse AAV capsids
LASIGE, Faculdade de Ciências da Universidade de Lisboa（里斯本大学科学学院LASIGE实验室）；BioISI, Faculdade de Ciências da Universidade de Lisboa（里斯本大学科学学院BioISI实验室）；iBET – Instituto de Biologia Experimental e Tecnológica（生物实验与技术研究所）
本文提出基于蛋白质语言模型和强化学习的生成设计框架，用于从头设计高多样性的AAV衣壳，通过强化学习引导序列生成，提升序列空间探索能力。
2026-03-19 cs.LG q-bio.BM
Outcome-Guided Counterfactuals for Reinforcement Learning Agents from a Jointly Trained Generative Latent Space
SRI International（斯坦福国际研究院）
我们提出了一种新的生成方法，用于根据表征代理行为的结果变量为强化学习（RL）代理生成看不见的和似是而非的反事实示例。我们的方法使用一个变分自编码器训练的潜在空间，共同编码的观察和结果变量有关的代理的行为的信息。反事实生成使用遍历在这个潜在的空间，通过梯度驱动的更新，以及潜在的插值对情况下，从一个池的例子。其中包括提高生成示例的可能性的更新，这提高了生成的反事实的可验证性。从三个强化学习环境中的实验，我们表明，这些方法产生的反事实是更合理的，接近他们的查询相比，纯粹的结果驱动或基于案例的基线。最后，我们表明，一个潜在的联合训练，以重建输入的观察和行为结果变量产生更高质量的反事实比潜在的训练只重建观察输入。
2022-07-15 cs.AI cs.LG
Generating images from caption and vice versa via CLIP-Guided Generative Latent Space Search
University of Pisa（比萨大学）
在这项研究工作中，我们提出了CLIP-GLaSS，一种新的zero-shot框架，以生成对应于给定的字幕（或图像）的图像（或字幕）。CLIP-GLaSS基于CLIP神经网络，给定图像和描述性标题，CLIP神经网络提供类似的嵌入。CLIP-GLaSS以字幕（或图像）为输入，并生成CLIP嵌入与输入图像最相似的图像（或字幕）。在通过遗传算法进行探索之后，通过生成网络产生该最佳图像（或字幕）。基于图像生成器BigGAN和StyleGAN 2以及文本生成器GPT 2的实验，显示了有希望的结果
2021-10-01 cs.AI cs.LG cs.NE
OpenABC-D: A Large-Scale Dataset For Machine Learning Guided Integrated Circuit Synthesis
New York University（纽约大学）
逻辑综合是集成电路（IC）设计中一个具有挑战性且研究广泛的组合优化问题。它将使用Verilog等程序设计语言的硬件高级描述转换为优化的数字电路网表，即实现功能的互连布尔逻辑门网络。由于ML在解决其他领域的组合和图形问题方面的成功，ML引导的逻辑综合工具的设计越来越受到关注。然而，没有标准的数据集或原型学习任务定义为这个问题域。在这里，我们描述了OpenABC-D，一个大规模的，标记的数据集，通过综合开源设计与领先的开源逻辑合成工具，并说明其在开发，评估和基准ML引导的逻辑合成的使用。OpenABC-D具有中间和最终输出，其形式为从1500次合成运行产生的870，000个与反相器图（AIG）加上标签，例如优化的节点计数和延迟。我们在这个数据集上定义了一个通用的学习问题，并对现有的解决方案进行了基准测试。与数据集创建和基准测试模型相关的代码可以在https：//www.example.com上找到。github.com/NYU-MLDA/OpenABC.git生成的数据集可通过https：//www.example.com获得archive.nyu.edu/handle/2451/63311
2021-10-21 cs.AI cs.LG cs.SY
Energy-Guided Generative Modeling for Low-Energy Molecular Structure Discovery
School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）；Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
提出EnFlow，一种结合流生成模型与显式能量景观建模的能量引导框架，用于联合生成构象集合和识别基态结构，在极少采样步数下实现高保真度。
2026-05-22 cs.LG physics.chem-ph
LLM-Guided Ansätze Design for Quantum Circuit Born Machines in Financial Generative Modeling
Computer Science University of Tokyo Tokyo, Japan（计算机科学东京大学东京日本）
本研究提出利用大型语言模型生成硬件感知的量子电路玻恩机拟设，通过迭代反馈优化，在IBM量子硬件上实现更浅电路和更优金融生成性能。
2025-09-10 cs.LG quant-ph
PAGER: Progressive Attribute-Guided Extendable Robust Image Generation
University of Southern California（南加州大学）
本文提出了一种基于连续子空间学习的生成式建模方法。与文献中的大多数生成模型不同，我们的方法不利用神经网络来分析潜在的源分布和合成图像。由此产生的方法，称为渐进属性引导的可扩展的鲁棒图像生成（PAGER）模型，具有数学透明性，渐进的内容生成，较低的训练时间，更少的训练样本的鲁棒性能，和条件图像生成的可扩展性的优势。PAGER由三个模块组成：核心生成器，分辨率增强器和质量增强器。核心生成器学习低分辨率图像的分布并执行无条件图像生成。分辨率增强器通过条件生成来增加图像分辨率。最后，质量提升器为生成的图像添加更精细的细节。在MNIST、Fashion-MNIST和CelebA数据集上进行了广泛的实验，以证明PAGER的生成性能。
2022-08-23 cs.AI cs.CV cs.LG
A Machine Learning guided Rewriting Approach for ASP Logic Programs
Department of Mathematics and Computer Science University of Calabria（卡利亚里大学数学与计算机科学系）
回答集编程（ASP）是一种声明式逻辑形式主义，允许通过逻辑程序编码计算问题。尽管声明性质的形式主义，一些先进的专业知识是必需的，在一般情况下，设计一个ASP编码，可以有效地评估一个实际的ASP系统。试图减少手动调整ASP程序的负担的常见方法包括根据合适的技术自动重写输入编码，以产生替代的但语义上等效的ASP程序。然而，重写并不总是在性能方面给予好处，因此，需要适当的手段来预测其效果与这方面。在本文中，我们描述了一种基于机器学习（ML）的方法来自动决定是否重写。特别是，给定一个ASP程序和一组输入事实，我们的方法选择是否以及如何重写输入规则的基础上测量其结构属性和域信息的一组功能。为此，一个多层感知器模型，然后训练，以指导ASP地面I-DLV重写输入规则。我们报告并讨论了一个原型实现的实验评估的结果。
2020-09-22 cs.AI cs.LG cs.LO
Circuit-MLLM: Topological Logic-Guided Latent-Space Visual Reasoning for Circuit Schematic Understanding
Zhejiang University（浙江大学）
针对多模态大模型难以理解电路原理图拓扑逻辑的问题，提出Circuit-MLLM框架，通过潜在空间内器件定位、路径追踪和拓扑引导的顺序推理，显著提升电路分析性能，平均得分比GPT-5.1高25%。
2026-09-15 cs.AI cs.CV cs.LG
Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data
University of Connecticut（康涅狄格大学）；University of Connecticut Health Center (UCHC)（康涅狄格大学健康中心）；Weill Cornell Medical College, Cornell University（康奈尔大学威尔医学院）
本文针对EHR中稀有二元特征的高维稀疏问题，提出树引导的特征选择与逻辑聚合方法，利用疾病分类层次结构实现可解释降维，并在自杀风险预测中提升预测性能与临床解释性。
2024-02-26 cs.LG stat.AP stat.ME
Physics-informed Guided Disentanglement in Generative Networks
Inria（法国国家信息与自动化研究所）；Vislab Ambarella（安霸视觉实验室）
针对图像到图像翻译中物理现象导致的特征纠缠问题，提出由可微或不可微物理模型及神经网络引导的通用解耦框架，显著提升多场景翻译质量与可控性。
2023-04-27 cs.AI cs.CV cs.LG
SURGIN: SURrogate-guided Generative INversion for subsurface multiphase flow with quantified uncertainty
Department of Geotechnical Engineering, College of Civil Engineering, Tongji University（同济大学土木工程学院地质工程系）；Key Laboratory of Geotechnical and Underground Engineering of Ministry of Education, Tongji University（教育部同济大学地质与地下工程重点实验室）；Physical Science and Engineering Division, King Abdullah University of Science and Technology (KAUST)（卡布斯科学与技术大学（KAUST）物理科学与工程系）；State Key Laboratory of Marine Geology, Tongji University（同济大学海洋地质国家重点实验室）；Tencent SSV（腾讯SSV）；Tencent SD（腾讯SD）
提出代理引导生成反演框架SURGIN，结合U-FNO代理与基于分数的生成模型，实现零样本条件下未见监测数据的实时同化，为地下多相流反演建模与不确定性量化确立新范式。
2025-09-16 cs.LG physics.flu-dyn physics.geo-ph
Prompt Evolution for Generative AI: A Classifier-Guided Approach
School of Computer Science and Engineering (SCSE), Nanyang Technological University (NTU), Singapore（计算机科学与工程学院，南洋理工大学）；Centre for Frontier AI Research (CFAR), Agency for Science, Technology and Research (A*STAR), Singapore（前沿人工智能研究中心，科技研究局）；Singapore Institute of Manufacturing Technology (SIMTech), Agency for Science, Technology and Research (A*STAR), Singapore（新加坡制造技术研究所，科技研究局）
本文提出基于分类器的提示进化方法，通过在生成过程中引入进化选择压力和变异，生成更符合用户需求的多样化图像。
2026-04-14 cs.AI cs.CV cs.LG
Guided Generative Adversarial Neural Network for Representation Learning and High Fidelity Audio Generation using Fewer Labelled Audio Data
University of Southern Queensland（南昆士兰大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Imperial College London（帝国理工学院）；University of Augsburg（奥格斯堡大学）
生成对抗神经网络（GANs）的最新改进已经显示出它们能够生成更高质量的样本，并学习用于迁移学习的良好表示。大多数基于GANs的表示学习方法学习表示，忽略了它们的使用后场景，这可能导致泛化能力的提高。但是，如果模型是用于特定任务的，它可能会变得多余。例如，假设我们有一个巨大的未标记的音频数据集，我们想从这个数据集中学习一个表示，这样它就可以用来提高一个小的标记音频数据集的情感识别性能。在表征学习训练过程中，如果模型不知道后情绪识别任务，它可以完全忽略学习表征中的情绪相关特征。这是任何无监督表示学习模型的根本挑战。在本文中，我们的目标是通过提出一种新的GAN框架来解决这一挑战：引导生成神经网络（GGAN），它引导GAN专注于学习所需的表示，并利用更少的标记样本为音频数据生成高质量的样本。实验结果表明，使用非常少量的标记数据作为指导，GGAN学习更好的表示。
2020-06-01 cs.LG cs.SD eess.AS
On the Regularity and Generalization of One-Step Wasserstein-guided Generative Models for PDE-Induced Measures
Department of Mathematics, The University of Hong Kong（香港大学数学系）；Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学系）；Department of Mathematics, University of California at Irvine（加州大学 Irvine 分校数学系）
本文研究了一步Wasserstein引导生成模型在处理PDE诱导概率度量时的正则性和泛化性，通过理论框架证明了运输映射的正则性和生成模型的泛化性质，并通过实验验证了理论结果。
2026-05-20 cs.AI cs.LG cs.NA
Logic Guided Genetic Algorithms
University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；Perimeter Institute for Theoretical Physics（周界理论物理研究所）
我们提出了一种新的辅助真值增强的遗传算法（GA），使用逻辑或数学约束作为数据增强的手段，以及计算损失（与传统的MSE结合），其目的是提高数据的效率和准确性的符号回归（SR）算法。我们的方法，逻辑引导的遗传算法（LGGA），作为输入的一组标记的数据点和辅助真理（AT）（数学事实已知先验的未知函数的回归目标学习），并输出一个专门生成和策划的数据集，可以使用任何SR方法。三个关键的见解支撑我们的方法：第一，SR用户通常知道简单的AT关于他们试图学习的功能。其次，每当SR系统产生与这些AT不一致的候选方程时，我们可以计算一个反例来证明不一致性，并且进一步地，该反例可以用于增强数据集并在校正反馈回路中反馈给SR系统。第三，这些AT的附加价值在于，它们在损失函数和数据增强过程中的使用导致更好的收敛率、准确性和数据效率。我们评估LGGA对国家的最先进的SR工具，即Eureqa和TuringBot的16个物理方程从“费曼物理讲座”的书。我们发现，使用这些SR工具与LGGA结合使用，结果是它们可以多解30.0%的方程，与没有LGGA的相同工具相比，只需要一小部分数据量，即，数据效率提高了61.9%。
2020-10-21 cs.AI cs.LG cs.NE
